量化金融原理与实践(微课视频版高等学校大学计算机课程系列教材)

本书按照利用机器学习 算法建立经济金融模型的流 程安排章节内容，从拓宽读 者技能的角度出发，主要介 绍经济金融领域常用的人工 智能模型。 全书共11章，分为两部 分。第1～5章是建模的前期 准备，包括绪论、Python编 程基础及数据处理、数据可 视化、数据表格的处理与数 据清洗、特征工程等。第6 ～11章介绍常用的模型，包 括聚类类、主成分分析、线 性模型、支持向量机、决策 树与随机森林、神经网络等 。本书通过图文结合的方式 详细解释了复杂数学模型的 核心思想，对每条代码的功 能进行解释，以降低读者理 解复杂命令的难度。 本书可作为高等院校计 算机类、经济学、金融学等 相关专业的教材，也可作为 兴趣读者的自学读物，还可 作为相关行业技术人员的参 考用书。

第1章 绪论 1.1 软件的安装与功能 1.1.1 软件的下载与安装 1.1.2 软件的界面与功能 1.2 机器学习算法介绍 习题 第2章 Python编程基础及数据处理 2.1 Python基础语法 2.1.1 数据类型 2.1.2 数据类型操作 2.1.3 Python函数 2.2 数据处理常用的库 2.2.1 数据分析 2.2.2 相关库 习题 第3章 数据可视化 3.1 绘图基础语法 3.1.1 单一画布作图 3.1.2 多画布作图 3.1.3 图像的保存和导出 3.2 主要图形的绘制 3.2.1 折线图 3.2.2 散点图 3.2.3 条形图 3.2.4 箱线图 3.2.5 饼图 3.2.6 K线图 3.2.7 雷达图 3.2.8 热力图 3.2.9 属性两两分析图 3.2.10 气泡图 3.2.11 小提琴图和分簇散点图 习题 第4章 数据表格的处理与数据清洗 4.1 xlwings及其相关算法 4.1.1 第三方库xlwings 4.1.2 xlwings与Pandas的实现 4.2 统计分析与可视化 4.2.1 统计分析 4.2.2 可视化 4.3 数据清洗 4.3.1 空缺值、重复值、异常值 4.3.2 数据归一化 4.4 特征工程 4.4.1 属性的选择 4.4.2 属性值的优化 习题 第5章 特征工程 5.1 过滤法 5.1.1 单变量 5.1.2 多变量 5.1.3 过滤法总结 5.2 包裹法 5.2.1 完全搜索 5.2.2 启发式搜索 5.2.3 随机搜索 5.3 嵌入法 5.3.1 原理 5.3.2 应用 5.3.3 重要函数介绍 习题 第6章 聚类 6.1 聚类的概念及应用 6.1.1 聚类的概念 6.1.2 聚类的应用领域 6.2 聚类算法的相关原理 6.2.1 K-means聚类 6.2.2 层次聚类 6.3 K值优化与聚类评价指标 6.3.1 K值优化 6.3.2 聚类评价指标 6.4 在消费者行为分析中的应用 习题 第7章 主成分分析 7.1 主成分分析及步骤简介 7.1.1 主成分分析原理 7.1.2 主成分分析流程 7.1.3 相关检验 7.2 重要函数介绍 7.3 在车贷违约预测中的应用 7.3.1 数据准备 7.3.2 统计分析 7.3.3 数据清洗 7.3.4 Bartlett球状检验 7.3.5 KMO检验 7.3.6 数据标准化 7.3.7 PCA解释方差和累计贡献可视化 7.3.8 主成分载荷矩阵和可视化 习题 第8章 线性模型 8.1 模型原理 8.1.1 OLS线性回归 8.1.2 逻辑回归 8.1.3 岭回归 8.1.4 混淆矩阵 8.2 相关金融原理 8.3 样本构建 8.4 模型应用 8.4.1 构建OLS线性模型 8.4.2 构建岭回归模型 8.4.3 构建逻辑回归模型 8.5 模型的改进 习题 第9章 支持向量机 9.1 支持向量机的原理 9.1.1 支持向量机的数学原理 9.1.2 支持向量机的实现——以SVC为例 9.2 数据离散 9.2.1 等频率离散化 9.2.2 聚类离散化 9.2.3 基于信息熵的离散化方法 9.3 相关金融原理 9.4 在保险反欺诈案例中的应用 9.4.1 背景介绍 9.4.2 读取数据 9.4.3 数据清洗与样本构建 习题 第10章 决策树及随机森林 10.1 决策树及相关概念 10.1.1 决策树 10.1.2 决策树构建的相关细节 10.1.3 决策树算法流程 10.1.4 字典数据类型的重要方法 10.1.5 其他相关重要函数 10.2 随机森林及相关概念 10.2.1 随机森林 10.2.2 随机森林算法原理和具体流程 10.3 在银行客户营销中的应用 10.3.1 样本数据 10.3.2 建模流程 10.4 应用随机森林分析银行客户营销数据 10.4.1 随机森林决策边界图 10.4.2 随机森林建模 10.4.3 特征重要性排序 10.4.4 模型的预测 10.4.5 模型评估 习题 第11章 神经网络 11.1 模型原理 11.1.1 图解神经网络模型原理 11.1.2 模型应用的数学原理 11.1.3 激活函数 11.1.4 数组整形函数 11.2 在股票预测中的应用 11.2.1 MLP解决以涨跌为标签的分类问题 11.2.2 CNN解决以涨跌为标签的分类问题 11.2.3 LSTM解决以涨跌为标签的分类问题 11.2.4 MLP解决以收盘价为预测值的回归问题 11.2.5 CNN解决以收盘价为预测值的回归问题 11.2.6 LSTM解决以收盘价为预测值的回归问题 习题 参考文献